English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Tools annual

Global: Zendy Free Plan

Global: Zendy Tools monthly

Global: Zendy Plus monthly

POLLETTINI, J. T.. Evaluation of decision support mechanisms and their aplicability to aid prioritization of cases from medical coordination of emergency requests. 2016. 97 f. Tese (Doutorado em Ciências Médicas – Área de Concentração: Clínica Médica) – Faculdade de Medicina de Ribeirão Preto (FMRP/USP), Ribeirão Preto – SP. Introduction: The Medical Coordination, which is the application of logistics techniques to the emergency context, is responsible for providing appropriate resources, in appropriate conditions to appropriate patients. A system for medical coordination of emergency requests was developed in 2009 and was implemented as a pilot project, although some activities related to medical coordination decision making are extremely subjective. Techniques from the areas of natural language processing, information retrieval and machine learning can be used to process clinical records and assist decision-making processes. Objectives: The present study aims to: (i) compare different methodologies for representation and information extraction from free text documents, such as coordination requests; (ii) provide decision support to prioritization of requests, with textual and semantic processing of clinical summaries of the cases; and (iii) analyze the contributions of clinical data and priority defined during the coordination process to the final case outcome. Methodology: Data from the pilot project, as well as data on the case outcome of coordinated patients admitted to the HCFMRP-USP Emergency Unit we used. Data was processed with the aid of Machine Learning, Information Retrival and Text Mining techniques to extract information organized into attributes to be used to enable decision support on the priority of the case. Results: The coordination requests data contain a large number of cases with very similar attribute values (sometimes identical), but with different classes (priorities), characterizing a database with a large amount of noise, making it hard to apply technologies such as Machine Learning. Results denote the subjective aspect in the definition of priorities, which may be influenced by other factors that are not present in the patient’s clinical record text. Decision support results in prioritization and case outcome indicate that applying semantic processing, mapping terms to UMLS medical concepts, reduces the dimensionality problem when compared to less robust text mining approaches. The approach supported by information retrieval allows to classify only coordination requests that are more similar than a defined threshold to a historical case. Thus, this approach can be used to reduce overhead, allowing coordinators to focus their attention on the most critical cases and cases of greater particularity (not similar to historical cases). Conclusions: This work provided decision support in prioritizing cases of urgency and emergency coordination requests, with textual and semantic processing of clinical summary cases. It was defined as a proposal for decision support in prioritization of requestes a process consisting of three steps: (i) analysis of the risk of death; (ii) automatic pre-prioritization of cases of high similarity with historical cases; and (iii) decision support based on historical cases (examples-based learning). Key-words: Medical Coordination, Emergency Medicine, Natural Language Processing, Machine Learning, Information Retrieval. LISTA DE ILUSTRAÇÕES Figura 1 – Etapas do processo de regulação médica de urgências e emergências de acordo com o Manual de Regulação de 2006. Fonte: (ADOLFI-JÚNIOR, 2015) 24 Figura 2 – Sistema de Regulação de Urgências e Emergências (SRUE) . . . . . . . . . 26 Figura 3 – Árvore de decisão do processo de regulação de urgência e emergência. Fonte: (ADOLFI-JÚNIOR, 2015) . . . . . . . . . . . . . . . . . . . . . . . . . . 27 Figura 4 – Exemplo classificação cogumelos comestíveis e venenosos . . . . . . . . . 29 Figura 5 – Hierarquia do aprendizado . . . . . . . . . . . . . . . . . . . . . . . . . . 30 Figura 6 – Estrutura geral do processo de aprendizado . . . . . . . . . . . . . . . . . . 30 Figura 7 – Etapas da Mineração de Dados . . . . . . . . . . . . . . . . . . . . . . . . 31 Figura 8 – O processo de recuperação de informação . . . . . . . . . . . . . . . . . . . . 33 Figura 9 – Árvore de decisão do processo de regulação de urgência e emergência. Fonte: (ADOLFI-JÚNIOR, 2015) . . . . . . . . . . . . . . . . . . . . . . . . . . 41 Figura 10 – Resumo das etapas de suporte à decisão para priorização de casos no processo de regulação de urgência e emergência . . . . . . . . . . . . . . . . . . . . . . . 41 Figura 11 – Bases de dados utilizadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 Figura 12 – Classificação de prioridades e desfechos . . . . . . . . . . . . . . . . . . . . . 44 Figura 13 – Organização de um conjunto de dados (dataset): instâncias, atributos e classe . . . 46 Figura 14 – Metodologias de avaliação de hipótese . . . . . . . . . . . . . . . . . . . . 48 Figura 15 – Metodologia validação cruzada . . . . . . . . . . . . . . . . . . . . . . . . . 48 Figura 16 – Interface gráfica para avaliação manual de consistência entre diagnósticos . . . . . 50 Figura 17 – Distribuição das prioridades definidas pelos reguladores . . . . . . . . . . . 54 Figura 18 – Distribuição de desfechos entre os 1099 pedidos de regulação encaminhados para a Unidade de Emergência . . . . . . . . . . . . . . . . . . . . . . . . 55 Figura 19 – Classificação de prioridade por abordagem apoiada por RI. . . . . . . . . . . . . 56 Figura 20 – Classificação prioridade (classificação exata) por abordagem apoiada por RI. . . . 56 Figura 21 – Classificação Desfecho por abordagem apoiada por RI . . . . . . . . . . . . . . 57 Figura 22 – Classificação Desfecho por abordagem apoiada por RI . . . . . . . . . . . . . . 57 Figura 23 – Classificação de prioridade por abordagem apoiada por AM e conceitos médicos . 59 Figura 24 – Classificação de desfechos por abordagem apoiada por AM e conceitos médicos . . 59 Figura 25 – Distribuição de prioridades entre casos consistentes (a) e casos em que não foi possível assegurar consistência (b) . . . . . . . . . . . . . . . . . . . . 60 Figura 26 – Distribuição de prioridades entre casos consistentes (a) e casos em que não foi possível assegurar consistência (b) para grupos da validação por automatizada por similaridades, considerando a busca de conceitos por ExactMatch e também Word . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60 Figura 27 – Números de casos avaliados manualmente por grupo . . . . . . . . . . . . . 61 Figura 28 – Números de casos avaliados manualmente por grupo considerando a validação por automatizada por similaridades, considerando a busca de conceitos por ExactMatch e também Word . . . . . . . . . . . . . . . . . . . . . . . 61 Figura 29 – Distribuição de prioridades entre casos consistentes (a) e casos em que não foi possível assegurar consistência (b) . . . . . . . . . . . . . . . . . . . . 62 Figura 30 – Classificação de prioridades para casos consistentes e casos em que não foi possível assegurar consistência de maneira automatizada (considerando apenas ExactMatch) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62 Figura 31 – Classificação de prioridades para casos consistentes e casos inconsistentes (validados manualmente) . . . . . . . . . . . . . . . . . . . . . . . . . . . 69 Figura 32 – Distribuição de desfechos entre casos consistentes (a) e casos em que não foi possível assegurar consistência (b) . . . . . . . . . . . . . . . . . . . . . . 69 Figura 33 – Classificação de Desfecho para casos consistentes e casos em que não foi possível assegurar consistência de maneira automatizada (considerando apenas ExactMatch) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70 Figura 34 – Classificação de Desfecho para casos consistentes e casos inconsistentes (validados manualmente) . . . . . . . . . . . . . . . . . . . . . . . . . . . 71 Figura 35 – Distribuição de prioridades por tipo de diagnóstico . . . . . . . . . . . . . . 72 Figura 36 – Classificação de prioridades por tipo de diagnóstico . . . . . . . . . . . . . 73 Figura 37 – Precisão e revocação para recuperação de casos de óbito . . . . . . . . . . . . . 76 Figura 38 – Folha de aprovação do comitê de ética em pesquisa do HCFMRP-USP . . . . . . 97

Avaliação de mecanismos de suporte à tomada de decisão e sua aplicabilidade no auxílio à priorização de casos em regulações de urgências e emergências